课程介绍
Machine Learning是台大李宏毅老师讲授的机器学习课程，是国语授课中最受欢迎的AI课程之一，课程内容具备很好的前沿度，覆盖了 机器学习与深度学习基础知识与研究界关心的新方向进展（损失函数、优化、神经网络、自注意力、transformer、GAN、领域自适应、强化学习、元学习）。
李宏毅老师的课程通常辅以活泼贴近生活的案例来讲解，对大家理解和学习相关知识有很好的帮助。
| 课时编号 | 课时内容 |
|---|---|
| 第1.1讲 | 机器学习基本概念简介 |
| 第1.2讲 | 深度学习基本概念简介 |
| 第3讲 | 机器学习任务攻略 |
| 第3.1讲 | 网络训练1：局部最小值与鞍点 |
| 第3.2讲 | 网络训练2：批次与动量 |
| 第4讲 | 网络训练3：自动调整学习速率 |
| 第5讲 | 网络训练4：损失函数 |
| 第7讲 | 卷积神经网络 |
| 第8.1讲 | 自注意力机制 (Self-attention) 1 |
| 第8.2讲 | 自注意力机制 (Self-attention) 2 |
| 第10讲 | 网络训练5：批次标准化简介 |
| 第11.1讲 | Transformer1 |
| 第11.2讲 | Transformer2 |
| 第12.1讲 | 生成式对抗网络1：基本概念介绍 |
| 第12.2讲 | 生成式对抗网络2：理论介绍与WGAN |
| 第12.3讲 | 生成式对抗网络3：生成器评估与条件式生成 |
| 第12.4讲 | 生成式对抗网络4：CycleGAN |
| 第13.1讲 | 自督导式学习1：芝麻街与进击的巨人 |
| 第13.2讲 | 自督导式学习2：BERT简介 |
| 第13.3讲 | 自督导式学习3：BERT详解 |
| 第13.4讲 | 自督导式学习4：GPT |
| 第14.1讲 | 自编码器1：基本概念 |
| 第14.2讲 | 自编码器2：领结变声器与更多应用 |
| 第15.1讲 | 对抗攻击1：基本概念 |
| 第15.2讲 | 对抗攻击2：神经网络与非自然刻意攻击 |
| 第16.1讲 | 机器学习模型的可解释性1：神经网络如何分辨宝可梦和数码宝贝 |
| 第16.2讲 | 机器学习模型的可解释性2：机器心中的猫长什么样子？ |
| 第17讲 | 概述领域自适应 |
| 第18.1讲 | 概述强化学习1：强化学习学习三个步骤 |
| 第18.2讲 | 概述强化学习2：PolicyGradient与修课心情 |
| 第18.3讲 | 概述强化学习3：Actor-Critic |
| 第18.4讲 | 概述强化学习4：回馈非常罕见的时候怎么办？机器的望梅止渴 |
| 第18.5讲 | 概述增强式学习5：如何从示范中学习？逆向增强式学习 |
| 第20.1讲 | 机器终身学习1：人工智能与灾难性遗忘 |
| 第20.2讲 | 机器终身学习2：灾难性遗忘的克服之道 |
| 第21.1讲 | 神经网络压缩1：神经网络剪枝与大乐透假说 |
| 第21.2讲 | 神经网络压缩2：从各种不同的面向来压缩神经网络 |
| 第22.1讲 | 元学习1：元学习跟机器学习一样也是三个步骤 |
| 第22.2讲 | 元学习2：万物皆可Meta |
ShowMeAI课程解读：全套资料
更多技术与课程清单 | 点击查看详细课程
| 技术方向 | 课程及链接 |
|---|---|
| 计算机数学基础 | MIT-计算机科学的数学基础 |
| 辛辛那提大学-微积分I | |
| 辛辛那提大学-微积分II | |
| 辛辛那提大学-离散数学 | |
| 斯坦福-线性代数与矩阵方法导论 | |
| 计算机科学导论 | 斯坦福-计算机科学导论 |
| 哈佛-计算机科学导论 | |
| MIT-计算机科学与Python编程导论 | |
| 数据结构与算法 | MIT-数据结构与算法设计 |
| 马里兰大学-数据结构 | |
| 数据库 | CMU-数据库系统导论 |
| CMU-数据库系统进阶 | |
| 机器学习及应用 | 斯坦福CS229 |
| MIT-机器学习导论 | |
| 深度学习及应用 | 斯坦福CS230 |
| 哈佛-Python人工智能入门 | |
| MIT-深度学习导论 | |
| 李宏毅-机器学习(&深度学习) | |
| 应用深度学习(全知识点覆盖) | |
| UC Berkeley-深度神经网络设计、可视化与理解 | |
| 威斯康星-深度学习和生成模型导论 | |
| UC Berkeley-全栈深度学习训练营 | |
| 自然语言处理 | 斯坦福CS224n（深度学习与NLP） |
| 斯坦福CS124（从语言到信息） | |
| 斯坦福CS520（知识图谱） | |
| 马萨诸塞-自然语言处理进阶 | |
| 计算机视觉 | 斯坦福CS231n（深度学习与CV） |
| 密歇根eecs498（CS231n进阶课） | |
| 慕尼黑工大adl4cv（深度学习与CV高阶课） | |
| 多模态 | CMU-多模态机器学习 |
| 图机器学习 | 斯坦福CS224w |
| 强化学习 | 斯坦福CS234（强化学习） |
| 伯克利CS285（深度强化学习） | |
| 无监督学习 | 伯克利CS294-158（深度无监督学习） |
| AI与生物医疗 | MIT-面向生命科学的深度学习 |
| MIT-基因组学机器学习 | |
| MIT-医疗机器学习 | |
| 图形学与几何 | CMU-计算机图形学 |
| AMMI-几何深度学习 | |
| 其他课程 | 哈佛-基于Python/JavaScript的web编程 |
| MIT-计算思维导论(Julia) |
